Почти десятилетие цель обнаружения дипфейков была простой: посмотреть на клип, фото или аудиофайл и определить, является ли он подлинным или поддельным. Коммерческие детекторы отвечают на этот вопрос, анализируя пиксели, частоты и биометрические сигналы, причем лучшие из них демонстрируют высокую точность на стандартных бенчмарках. Проблема, как исследователи из Vector Institute, заключается в том, что при развертывании производительность резко падает на контенте от более новых генераторов. И на сегодняшний день на Hugging Face насчитывается более 2,2 миллиона вариантов моделей искусственного интеллекта, что почти вдвое больше по сравнению с прошлым годом.
Варианты моделей ИИ на Hugging Face Hub: почти двукратный рост каждый год
Всего опубликовано моделей, 2020–2026 гг.
Hugging Face State of Open Source, весна 2026 года resemble.ai
Таким образом, улучшение производительности означает переосмысление того, что именно пытается обнаружить детектор, и именно эту проблему решает наша новая модель DETECT-World. Вместо того чтобы просто задавать вопрос «содержит ли этот контент артефакты, которые я изучил и запомнил у известных генераторов?», мы также спрашиваем: «нарушает ли этот контент мою модель того, как работает физическая реальность?»
Три поколения систем обнаружения
DETECT-World — это третье поколение моделей обнаружения от Resemble AI. Каждое новое поколение расширяло возможности предыдущего.
Три поколения обнаружения: точность в зависимости от модальности
Аудио представлено во всех трех поколениях. Изображения и видео добавлены в DETECT-3B Omni.
Аудио: бенчмарк Podonos · Изображения/видео: внутренние бенчмарки в процессе подготовки resemble.ai
DETECT-2B стал нашим первым аудиодетектором промышленного уровня. Созданный на базе ансамблевой архитектуры Wav2Vec2 и Mamba-SSM с самоконтролируемым обучением представлений, он достиг точности 94% на более чем 30 языках при задержке 200 мс. Подрадровый анализ с настраиваемыми пороговыми значениями классификации сделал его пригодным для развертывания в конвейерах реального времени, включая контакт-центры, редакторские рабочие процессы и корпоративную аутентификацию по голосу.
DETECT-3B Omni стал первым шагом в сторону мультимодальности. Три миллиарда параметров, охватывающих аудио, изображения и видео через единый API. Аудиокомпонент был создан на фундаменте DETECT-2B со значительно расширенными обучающими данными, устойчивостью к телекоммуникационным кодекам, защитой от атак с перезаписью и поддержкой 51 языка. Стек компьютерного зрения добавил поддержку основных генеративных архитектур, включая StyleGAN, DALL·E 3, Stable Diffusion, GPT-4o, Veo 2, занял первое место в DFBench как по обнаружению изображений, так и речи, а показатель EER снизился во всех публичных бенчмарках, за которыми мы следим.
DETECT-World добавляет уровень, которого не было ни у одной из этих моделей: приобретенное понимание физической реальности. Вместо того чтобы просто проверять, соответствуют ли материалы известным сигнатурам генераторов, система также оценивает их физическую когерентность — согласуются ли освещение, геометрия, движение и аудиовизуальная синхронизация сцены с тем, что могло бы произойти в реальном мире.
Что делает мировая модель по-другому
Там, где DETECT-3B Omni спрашивает «выглядит ли это как известная подделка?», DETECT-World задает как этот вопрос, так и второй: «имеет ли это смысл как физическое событие в реальном мире?»
Модель достигает этого с помощью гибридного энкодера World-Vision (World-Vision Hybrid Encoder), пространственно-временного бэкбона, который обрабатывает видео в виде 4-секундных окон со скоростью 40 кадров в секунду, а изображения — как статичные клипы. И то, и другое проходит через один и тот же энкодер, создавая пространственно-временные токены, которые оцениваются патч-головкой (patch head) для генерации логитов по каждому патчу. На основе этих логитов модель выдает три результата: общую вероятность манипуляции, покадровые оценки, показывающие точный момент возникновения аномалии в видео, и пространственную тепловую карту, показывающую, где именно в кадре сконцентрирована манипуляция.
Модель может пытаться определить такие вещи, как:
- Меняется ли освещение на лице человека способом, несовместимым с источниками света, видимыми в сцене?
- Соответствует ли отбрасываемая субъектом тень направлению и интенсивности окружающего света?
- Двигаются ли фоновые элементы образом, согласованным с движением переднего плана?
Ни одна из этих проверок не требует предварительного знакомства с генератором, создавшим контент. Им нужна лишь обученная модель того, как ведет себя реальность. Именно в этом заключается суть мирового обнаружения: обобщение на основе ограничений физической реальности, а не просто сигнатур известных инструментов.
Именно поэтому DETECT-World способна достигать покрытия нулевого дня быстрее, чем любой подход, основанный исключительно на заучивании сигнатур, поскольку законы физики не меняются при появлении нового генератора.
Как мы ее создали: обучение
Модель обучается на сотнях различных источников измененных изображений и видео, включая отдельные генераторы, их версии и конвейеры манипуляций, охватывающие:
- Замену лиц, включая инструменты внедрения в реальном времени;
- Лип-синк (синхронизацию губ) и реанимацию говорящей головы;
- Полностью синтетическую генерацию текста в видео и изображений в видео;
- Частичные правки, включая склейки, инпантинг и ИИ-фильтры;
- Классические базовые линии судебной экспертизы на основе GAN и диффузии (корпус изображений).
Покрытие обучающих генераторов: изображения против видео
Отобранные источники для обучения по категориям — сравнение модальностей изображений и видео.
Основные генераторы Замена лица / реанимация Классический GAN / диффузия Межмодальные
Корпус изображений: 42,9% основных генераторов, 30,3% замены лиц / реанимации, 21,1% классических GAN/диффузии, 5,7% межмодальных. Корпус видео: 57,4% основных генераторов, 39,7% замены лиц / реанимации, 2,9% межмодальных.
Внутренняя оценка Resemble AI, 2026 г. · Только отобранные источники resemble.ai
Высокая скорость покрытия новых генераторов достигается за счет способа выборки обучающего корпуса. Вместо того чтобы относиться ко всем источникам одинаково, процесс обучения непрерывно расставляет приоритеты в пользу тех источников, с которыми у модели сейчас возникают проблемы, и автоматически привлекает вновь поступающие генераторы в фокус внимания без ручного планирования. Новый генератор, добавленный в каталог, охватывается быстро, так как обучающее распределение подстраивается под него немедленно.
Аугментация разработана для симуляции реальных трансформаций, которым подвергается контент при развертывании: перекодирования на платформах, сжатия, изменения частоты кадров и цепочек деградации в социальных сетях. Каждая аугментация применяется симметрично как к реальному, так и к поддельному контенту, поэтому модель не может научиться обнаруживать саму аугментацию вместо манипуляции.
Что это означает на практике
Самым непосредственным практическим следствием является покрытие, которое не ухудшается при появлении новых типов атак.
Во время внутренних тестов DETDETECT-World обнаружила атаку по замене лиц в реальном времени в стиле Haotian с точностью примерно 95%. Haotian AI — это китайский инструмент для создания дипфейков в реальном времени, продаваемый мошенникам и доступный на рынке по цене менее 2000 долларов в год, который интегрируется нативно с Zoom и Teams и не требует специальных знаний для развертывания. Расследование, проведенное 404 Media в мае 2026 года, показало, что этот инструмент почти в 100% случаев классифицировал свои результаты как подлинные на ведущих академических детекторах дипфейков. У DETECT-World не было предварительного опыта работы с ним. Физика была нарушена, и этого оказалось достаточно.
Обнаружение на основе мировой модели также структурно устойчиво к обходу с помощью состязательной донастройки (adversarial fine-tuning). Проверки физической когерентности основаны на реальности, а не на обучающих данных какой-либо конкретной модели.
Показатели точности по модальностям
DETECT-World поставляется со значительными улучшениями точности во всех трех модальностях, выводя обнаружение изображений и видео на тот же уровень, что и наше обнаружение аудио.
¹ Показатель TNR для изображений отражает разницу в калибровке. Сравнение «сырых» данных показывает TNR DETECT-World на уровне 97,80% против 97,42% — это реальное улучшение.
Аудио: точность 99,5% в бенчмарке Podonos — подтверждено независимыми экспертами, первое место в рейтинге опережает коммерческих конкурентов с общедоступным API. Примерно на 0,5% лучше по сравнению с предыдущим поколением. Обнаружение аудио теперь охватывает 54 языка, с улучшенным покрытием VoIP-потоков и сценариев с потерей пакетов.
Оригинальное аудио, сгенерированное с помощью Qwen3-TTS 1.7B 2025
Ваш браузер не поддерживает элемент аудио.
Обнаружено с оценкой уверенности 99,94% с помощью DETECT-World
Оригинальное аудио, сгенерированное с помощью Fish Speech S2 Pro 2025
Ваш браузер не поддерживает элемент аудио.
Обнаружено с оценкой уверенности 99,67% с помощью DETECT-World
Оригинальное аудио, сгенерированное с помощью Orpheus TTS 2025
Ваш браузер не поддерживает элемент аудио.
Обнаружено с оценкой уверенности 99,76% с помощью DETECT-World
Оригинальное изображение, сгенерированное с помощью Midjourney v7 2025
Обнаружено с оценкой уверенности 100% с помощью DETECT-World
Оригинальное изображение, сгенерированное с помощью Flux 2 2026
Обнаружено с оценкой уверенности 98,40% с помощью DETECT-World
Оригинальное изображение, сгенерированное с помощью OpenAI GPT 2026
Обнаружено с оценкой уверенности 99,97% с помощью DETECT-World
Видео:
Оригинальное видео, сгенерированное с помощью Kling 3 2026
Обнаружено с оценкой уверенности 99% с помощью DETECT-World
Оригинальное видео, сгенерированное с помощью Seedance 2 2026
Обнаружено с оценкой уверенности 91,3% с помощью DETECT-World
Оригинальное видео, сгенерированное с помощью Google VEO 3 2025
Обнаружено с оценкой уверенности 98,76% с помощью DETECT-World
Покрытие: Протестировано на более чем 250 генеративных моделях по сравнению со 160+ в предыдущем поколении, с возможностью обобщения на генераторы, которые модель никогда не видела.
Область применения и известные ограничения
Длинные видео. Для видео длиннее 60 секунд пространственные тепловые карты отключаются, а разрешение входных данных снижается. Для экспертной проверки длинного видео запустите помеченные фрагменты повторно в виде более коротких клипов в полном разрешении.
Временная гранулярность. Обнаружение работает на коротких окнах с перекрывающимся контекстом. Манипуляции на нескольких кадрах обнаруживаются, но границы сообщаемых сегментов являются приблизительными.
Оценка является вероятностью. Результат представляет собой откалиброванную оценку, а не доказательство манипуляций. Для принятия важных решений объединяйте автоматизированную оценку с экспертной оценкой человека в зоне неопределенности и настраивайте пороговые значения для вашего конкретного распределения контента.
Начало работы
DETECT-World лежит в основе Resemble Detect и теперь доступен через API с поддержкой потоковой передачи для обнаружения в реальном времени и пакетной обработки для рабочих процессов криминалистики и комплаенса. Развертывается локально и в изолированных средах (air-gapped).
Попробуйте Resemble AI бесплатно
Получите ведущие модели обнаружения ИИ везде, где они вам нужны.
Начать работу
